Projective mapping as a versatile sensory profiling tool: A review of recent studies on different food products
Notice bibliographique
Résumé
Abstract Descriptive analyses or trained panels are one of the most extensively used methods in the sensory evaluation field; however, they can be expensive and time‐consuming. Therefore, researchers have begun to use rapid sensory analysis methods. One of these rapid methods is projective mapping (PM). PM asks the participants to place samples on a two‐dimensional space in a way that reflects their perception of the samples' differences and similarities. This review outlines the main characteristics of 195 studies published using the PM technique. The results reveal that the majority of PM studies asked consumers (61.5%) to evaluate different food products. Most of the studies utilized the Napping variation (60.3%) of the PM method, however, about a quarter of the studies that applied the Napping method did not adhere to the guidelines of the method (e.g., did not use a rectangular space for evaluation). Furthermore, most studies (71.6%) asked the participants to evaluate their holistic perception of the samples and used multiple factor analysis to analyze the results (85.1%). Overall, the review identified the importance of the PM method and how it has been applied to a wide variety of different food products. Future studies should use a larger number of samples and examine how the PM method can be used with older adults and children. Practical Applications Results of this review provide insight for different stakeholders in the sensory evaluation and food science fields. It will assist researchers in designing experiments using the projective mapping (PM) method, as well as provide information about the type of panelists, the different variations of PM and the statistical techniques being used by researchers. In addition, it identifies the advantages and disadvantages of the PM method.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,010 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».